Microsoft AI 宣布完成 MAI-Base-2 预训练，这是一个 800 亿激活、2.8T 总参数的 MoE 基础模型，在 held-out 评测中 BPB 低于所测全部开源权重模型，预训练 FLOPs 效率比 DeepSeek-V4-Pro-Base 高 4.2 至 12.3 倍。
推荐理由：官方披露了 MAI-Base-2 的完整预训练方法，读者可以从中了解 scaling ladder、Muon 优化和多轮 dropless MoE 等可借鉴的工程细节。
NVIDIA 发布开源表格基础模型 Kumo Tabular，对带标签表格做单次前向推理即可完成分类和回归，无需训练、调参或特征工程。
推荐理由：官方技术博客披露了架构、纯人工数据预训练配方和四项基准成绩，读者可据此评估其替换梯度提升树的可行性。
Cognition 发布最先进编码模型 SWE-2，基于 2.8T 参数的 Kimi K33 后训练，在 FrontierCode 1.1 Main 取得 50.0%，仅比 Fable 5.1 低不到一分且便宜 64%。
推荐理由：官方详细公开了 SWE-2 的训练方法与成本惩罚公式，读者可以借此理解如何用 RL 推移整条成本性能前沿。
OpenBMB@OpenBMB精选AI 评分6969推荐理由：数学形式化的难点是编译通过但语义漂移，该框架用检索规划和语义一致性反馈迭代修正，并开源数据集和 8B 模型，给小模型做形式化提供了可复用路径。
蚂蚁百灵开源 Ling-3.0-tiny-base 与 Ling-3.0-flash-base，并同步开放预训练、中期训练及 WSM 合并等共 6 个 checkpoints。tiny-base 总参数 7.9B、激活参数 1.3B，flash-base 总参数 124B、激活参数 5.1B，均采用统一训练方案，适合持续预训练、监督微调、偏好优化及强化学习后训练等场景。
推荐理由：Ling-3.0 开放中间 checkpoint 和 WSM 合并策略，研究者可比较各训练阶段增益，并在自己数据上从合适节点继续预训练或后训练，而不只是拿到最终权重。
蚂蚁百灵正式开源 Ling-3.0-tiny-base（总参数 7.9B，激活 1.3B）与 Ling-3.0-flash-base（总参数 124B，激活 5.1B）两个基座模型，并同步开放预训练、中期训练和 WSM 合并阶段共 6 个 checkpoints。
推荐理由：开源的不只是最终 Base checkpoint，还包括预训练和中期训练共 6 个权重，并解释了无学习率衰减的 WSM 合并方案如何利于持续预训练。
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，含 tiny 与 flash 两个尺寸及预训练、中期训练、合并（WSM）等阶段检查点。该系列采用混合线性注意力与稀疏 MoE 架构，总参数 7.9B，每 token 仅激活 1.3B 参数（128 个路由专家中激活 8 个）。
推荐理由：用加权检查点合并替代学习率衰减，让基座模型更适合持续预训练，也为验证不同衰减曲线省去重复实验。
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中期训练及合并（WSM）等阶段的检查点，支持继续预训练、微调与研究。Ling-3.0-tiny-base 采用稀疏 MoE 架构，含 128 个路由专家，每 token 仅激活 1.3B 参数，总参数量 7.9B，并原生混合线性注意力以高效处理长上下文。
推荐理由：它把学习率衰减替换为加权检查点合并，基座模型更适合持续预训练和数据扩展，做继续预训练或领域微调时可复用这一训练策略做离线探索。
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，含 512 个路由专家，每个 token 仅激活 8 个路由专家和 1 个共享专家，激活参数仅 5.1B（Non-emb）。
推荐理由：WSM 合并替代学习率衰减，让持续预训练和动态数据扩展不必为每种衰减策略重跑训练，降低实验成本。
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，总参数量 124B，激活参数仅 5.1B。该系列原生融合线性注意力，并以加权检查点合并替代传统学习率衰减。此次发布包含预训练、中期训练及合并（WSM）等多个训练阶段的检查点，支持继续预训练与微调，模型采用 MIT 许可证。
推荐理由：把训练中间态作为可下载 checkpoint 开放，配合 WSM 合并替代学习率衰减，做继续预训练或 MoE 研究时可从中间阶段开始，省去重复前置训练成本。
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中间训练及合并（WSM）等多个训练阶段检查点，支持继续预训练、微调与研究。
推荐理由：训练检查点分层开放，且用加权合并替代学习率衰减，为持续预训练和动态数据扩展提供了可复用的实验基座，减少不同策略的重复训练成本。
上海科学智能研究院开放科学多模态基础模型“神珍”，总参数约110亿，可处理DNA、RNA、蛋白质、小分子、地球系统和医学影像六类数据。在生物序列20项任务中，该模型9项取得最优结果；医学影像分割平均Dice得分91.20，在7种参评方法中最优。模型权重及代码已在星河启智、Hugging Face和GitHub开放。
推荐理由：一个模型同时理解蛋白质、气象和医学影像，还全开放权重和代码，对交叉学科的研究者是难得的工具包。比专用模型省去切换成本，值得科学计算方向的产品人关注。
面壁智能联合OpenBMB发布端侧模型MiniCPM5-2B，以2B参数量在AA-Index榜单取得4B以下模型最高分17分，平均分54.26，超越Qwen3.5-2B等竞品。模型原生支持混合思考与512K上下文，已完成华为昇腾、英伟达等9款芯片的Day0适配，即将开源。
推荐理由：2B 参数做到 4B 以下综合第一，而且把数据治理和 Agent 训练流程也开源了，做端侧智能体的可以盯一下，只是还没正式开源，暂时摸不到。
NVIDIA 发布 Nemotron 3 Embed 系列，包含三个开源 checkpoint，其中 8B-BF16 版本在 RTEB 基准上以 78.46 的平均 NDCG@10 排名第一。1B-NVFP4 版本在 Blackwell 上吞吐量比 BF16 高 2 倍，精度保留 99.5%，所有模型最大序列长度 32,768 tokens。
推荐理由：嵌入模型不是最热的赛道，但决定了你 Agent 看到什么——NVIDIA 把 1B 模型压缩到 RTEB 第二，NVFP4 量化后精度几乎不变，做 RAG 的值得换上。
OpenAI 训练了自动化红队模型 GPT-Red，用于在部署前发现漏洞并在训练中生成攻击以提升模型鲁棒性。GPT-Red 能攻破此前几乎所有模型，其攻击被用于对抗训练 GPT-5.6 Sol，使该模型在直接提示注入基准测试中的失败率降至四个月前最佳生产模型的 1/6。GPT-Red 通过自对弈强化学习训练，投入了 OpenAI 后训练中前所未有的计算规模。
推荐理由：OpenAI 用自博弈训练出的红队模型 GPT-Red，把直接提示注入攻击成功率压到了 0.05%，而且没有降低模型能力。做 AI 安全的人应该好好读一下他们怎么实现这个飞轮的。
Google Research 发布 SensorFM，一个在超过 100 万亿分钟多模态传感器数据上预训练的大规模基础模型，数据来自 500 万同意参与者，涵盖 100 多个国家及 20 余款 Fitbit 和 Pixel Watch 设备。SensorFM 学习通用的人体生理表征，可迁移至心血管、代谢、睡眠、心理健康及生活方式等 35 项健康预测任务，支持标签高效适配与数据填充，并可作为个人健康智能体的基础工具。该模型旨在解决传统可穿戴健康模型针对单一终点、难以泛化的问题。
推荐理由：SensorFM 在 500 万人、万亿分钟传感器数据上训练出一个通用生理基础模型，35 项任务全面领先，自动调参的代理教室也很有想法，做健康 AI 的人值得细读。
Cognition 发布 SWE-1.7，称其以更低成本达到前沿智能水平。模型基于 Kimi K2.7 底座训练，FrontierCode 1.1 Main 通过率 42.3%，Terminal-Bench 2.1 为 81.5%，已在 Devin（Web、Desktop 和 CLI）中经 Cerebras 以 1000 TPS 提供。
推荐理由：官方既公布基准成绩也详解训练方法，读者可以了解多集群 RL 训练、熵稳定和自压缩等具体做法。
美团正式发布并开源万亿参数大模型 LongCat-2.0，总参数 1.6T、平均激活约 48B，在五万卡国产算力集群上完成从预训练到推理的全流程。模型原生支持 1M 超长上下文，预训练数据超 30T tokens；训练月均日故障率降低 70% 以上，训练 MFU 提升 1.5 倍，稳态日吞吐超 1T tokens/day。
推荐理由：官方披露了国产五万卡集群训练万亿参数模型的稳定性与效率细节，以及多项基准成绩，对国产算力路线有参考价值。
Google Research 发布 TabFM，一种基于上下文学习（ICL）的零样本基础模型，专为表格数据的分类与回归任务设计。TabFM 将整个数据集（包含训练样本与待预测行）作为统一提示输入，在推理时直接从上下文中学习行列关系，无需模型训练、超参数调优或特征工程。与需大量人工调优的传统方法（如 XGBoost）不同，TabFM 通过单次前向传播即可在新表格上生成高质量预测。该模型已在 Hugging Face 和 GitHub 上开源。
推荐理由：TabFM 把表格预测变成一次前向传播，不再需调参和特征工程，数据科学家可以少熬夜了。BigQuery 集成让使用门槛降到 SQL，这是表格 ML 的零样本时刻。
Elon Musk@elonmusk精选AI 评分7070推荐理由：Elon 亲自宣布 Grok 4.5 内部测试，性能可能超过 Opus，虽然还没公开可用，但每月从零训练新模型的节奏，意味着算力军备竞赛还在加速。